Analisis faktor-faktor yang mempengaruhi Indeks Pembangunan Manusia di Indonesia (Tahun 2014 -2017)
Fatimah
Ilmu Ekonomi, Fakultas Ekonomi, Universitas Islam Indonesia Yogyakarta E-mail: faimahimeh16@gmail.com
ABSTRAK
Penelitian ini meneliti tentang faktor apa saja yang mempengaruhi IPM (Indeks Pembangunan Manusia). Pada penelitian ini menggunakan data panel. Terdapat satu variabel dependen(IPM) dan tiga varibel independen(belanja pendidikan, belanja kesehatan dan PDRB). Penelitian ini menggunakan data sekunder yaitu tidak langsung atau diambil dari instansi(BPS).
Hasil dari penelitiannya adalah dengan menggunakan uji F nilai probabilitas F- statistik < α=5%, yang artinya bahwa variabel Kesehatan, PDRB, dan Pendidikan secara bersama-sama berpengaruh signifikan terhadap jumlah IPM. Variabel Belanja Pemerintah pada sektor Kesehatan tidak berpengaruh signifikan terhadap IPM di Indonesia, kemudian Variabel PDRB tidak berpengaruh signifikan terhadap IPM di Indonesia dan Variabel Belanja Pemerintah pada sektor Pendidikan memiliki pengaruh positif serta signifikan terhadap IPM di Indonesia.
Kata kunci: PDRB, Indeks pembangunan manusia(IPM), belanja pemerinta pada sektor pendidikan,belanja pemerintah pada sektor kesehatan.
Pendahuluan
Pembangunan merupakan suatu proses yang dilakukan untuk melakukan sebuah perubahan yang lebih baik lagi. Dan proses pembangunan meliputi perekonomian seperti penghasilan masyarakat, sosial budaya dan sebagainya.
Dikarenakan pertumbuhan yang tinggi tidak selalu bisa menyelesaikan permasalahan perekonomian maka pertumbuhan manusia menjadi penting, dan pada masa sekarang
seringkali dalam keberhasilan suatu pembangunan diukur dari sumberdaya manusianya.
Aspek pada pembangunan salah satunya adalah IPM. IPM (indeks pembangunan manusia) merupakan suatu cara tolak ukur yang dilakukan disetiap negara untuk mengukur kesejahteraan, kesehatan, politi ekonomi dan sebagainya. IPM digunakan untuk mecari tahu apakah negara tersebut negara berkembang atau negara maju. Perkembangan pembangunan manusia selama ini sangat bergantung pada pertumbuhan ekonomi dari awal 1970-an sampai akhir 1990-an dijabarkan pada Indonesia Human Development Report. Pertumbuhan tersebut memungkinkan manusia untuk mengalokasikan pengeluaran untuk kesehatan dan pendidikan relatif sedikit. Ketika indonesia mengalami krisis ekonomi tingkat pengeluaran pemerintah yang melonjak semakin terasa apalagi dalam bidang sosial.
Pada IPM kita bisa melihat terdapat 3 cakupan bidang pembangunan manusai yang dilihat dari kualitas penduduk dan juga diangap sangat mendasar. Terddapat 3 indikator yaitu: kesehatan, pendidikan dan ekonomi. Angka harapan hidup merupakan dicerminkan dari kualitas fisik sedang lama rata-rata sekolah da angka melek huruf dicerminkan dari kualitas non fisik, kemudia pengeluaran riil perkapita digunakan untuk mempertimbangkan kemampuan ekonomi.
Kajian Pustaka
Pada penelitian Bhakti (2014), tentang analisis faktor-faktor yang mempengaruhi indeks pembangunan manusia di indonesia periode 2008-2012, dengan variabel IPM (Y), rasio ketergantingan (x1), konsumsi rumah tangga (x2), PDRB (x3), APBD kesehatan (x4), APBD pendidikan(x5). Pada penelitian tersebut ditemukan hasil, bahwa PDRB berpengaruh terhadap IPM. Rasio ketergantungan berpengaruh terhadap IPM. Konsumsi rumah tangga untuk makan berpengaruh negatif terhadap IPM. APBD untuk pendidikan tidak berpengaruh signifikan terhadap IPM, dan APBD untuk kesehatan berpengaruh positif terhadap IPM.
Pratowo (2016) analisis faktor-faktor yang beroenaruh terhadap Indeks Pembangunan Manusia, dengan variabel IPM (Y), belanja daerah (x1), gini rasio (x2), Proporsi pengeluaran non makanan (x3), rasio ketergantungan (x4). Kemudian ditemukan hasil, Belanja Daerah berpengaruh positif terhadap ipm secara signifikan.
gini rasio berpengaruh negatif terhadap ipm secara signifikan. proporsi pengeluaran non makanan secara signifikan berpengaruh terhadap ipm. rasio ketergantungan secara signifikan berpengaruh negatif terhadap ipm.
Muliza dkk (2017), Analisis pengaruh belanja pendidikan , belanja kesehatan tingkat kemiskinan dan PDRB terhadap IPM di Provinsi Aceh, dengan menggunakan variabel IPM (Y), belanja pendidikan (x1), belanja kesehatan (x2), tingkat kemiskinan (x3), PDRB (x4). Hasil dari penelitian tersebut adalah pengeluaran pemerintah di bidang pendidikan dan kesehatan di kabupaten/kota Provinsi Aceh tidak berpengaruh terhadap ipm. tingkat kemiskinan mempunyai pengaruh negatif dan signifikan terhadap ipm. produk domestik regional bruto berpengaruh signifikan terhadap IPM.
Landasan Teori IPM
IPM merupakan suatu cara tolak ukur yang dilakukan disetiap negara untuk mengukur kesejahteraan, kesehatan, politik ekonomi dan sebagainya. IPM digunakan untuk mencari tahu apakah negara tersebut negara berkembang atau negara maju. IPM mengukur capaian pembangunan manusia berbasis sejumlah komponen dasar kualitas hidup. IPM dihitung berdasarkan data yang dapat menggambarkan keempat komponen yaitu angka harapan hidup yang mewakili bidang kesehatan, angka melek huruf dan rata-rata lama sekolah mengukur capaian pembangunan di bidang pendidikan, dan kemampuan daya beli masyarakat terhadap sejumlah kebutuhan pokok yang diliht dari rata-rata besarnya pengeluaran perkapita sebagai pendekatan pendapatan yang mewakili capaian pembangunan untuk hidup layak.
PDRB
Merupakan suatu besarnya produk PDB pada suatu daerah. Produk Domestik Regional Bruto menyajikan data series PDB baik atas dasar harga nberlaku maupun atas dasar harga konstan 2000, yang disajikan dalam nilai rupiah maupun presentase, berdasarkan data beberapa tahun terakhirbaik data yang dihimpun secara langsung(data primer) maupun data yang dikutipdari administrasi instansi atau dinas lembaga pemerintah maupun swasta.
APBD
Sukirno (2000) Suatu tindakan pemerintah untuk mengatur jalannya perekonomian dengan cara menentukan besarnya penerimaan dan pengeluaran pemerintah tiap tahunnya yang tercermin dalam dokumen Anggaran Pendapatan dan Belanja Negara (APBN) untuk nasional dan Anggaran Pendapatan dan Belanja Daerah (APBD) untuk daerah/regional. Tujuan dari kebijakan fiskal ini adalah dalam rangka menstabilkan harga, tingkat output maupun kesempatan kerja dan memacu pertumbuhan ekonomi.
Metode Penelitian Jenis dan Sumber Data
Data yang digunakan adalah data sekunder, yaitu data yang diperolehnya itu tidak secara langsung. Data sekunder biasanya terdapat pada lembaga pencacatan data sepeti BPS (Badan Pusat Statistik) dan di publikasikan untuk kebutuhan masyarakat.
Alat analisis
Untuk tahu sejauh mana dampak Belanja kesehatan, PDRB, dan Belanja Pendidikan terhadap PDRB di Indonesia peneliti akan menliti data menggunakan data panel (Pooled Data). Data panel merupakan dimana suatu gabungan dari data timeseries dan juga cross section. Data panel merupakan data longitudinal yang cross-
section nya seperti perusahaan provinsi kabupaten/kota, bahkan neagara. Kemudian observasi nya bisa berulang (waktu mingguan, harian, tahunan)
Dengan data panel peneliti dapat dimudahkan dan diuntungkan dalam menganalisa Data, keuntungan tersebut yaitu :
1. Jumlah observasi.
2. Meningkatnya derajat bebas.
3. Berkurang kolineritas antara variabel penjelas.
4. Meningkatnya efisiensi dari enafsiran ekonometris.
5. Estimasi parameter lebih stabil.
Ada 3 model yang dapat digunakan untuk menafsirkan data panel yaitu:
1. Pooled Least Square (PLS) atau metode Common Effect.
2. Fixed Effect Model (FEM) 3. Random Effect Model (REM)
Selanjutnya, untuk persamaan regresi dalam bentuk linier yang digunakan sebagai berikut:
Yit = β0+ β1LOGX1it + β 2 LOGX2it + β 3LOGX3it + eit (1)
Keterangan:
Yit = IPM menurut provinsi-provinsi di Indonesia (%) β 0 = Konstanta
X1 = Variabel Belanja Pemerintah Sektor Kesehatan (%) X2 = Variabel Produk Domestik Regional Bruto (%) X3 = Variabel Belanja Pemerintah Sektor Pendidikan (%) i = Provinsi di Indonesia
t = Waktu (Tahun 2014-2017) e = Variabel pengganggu
3.2.1 Metode Common Effect ( PLS )
Jaka Sriyana (2014) “dugaan pertama dalam regresi data panel dengan metode common effect adalah asumsi yang menganggap bahwa intersep dan slop selalu baik antar waktu maupun antar individu. Setiap individu (n) yang diregresi untuk mengetahui hubungan antara variabel dependen dengan variabel independennya akan memberikan nilai intersep maupun slope yang sama besarnya. Begitu pula dengan waktu (t), nilai intersep dan slope dalam persamaan regresi yang menggambarkan hubungan antara variabel dependen dan variabel-variabel independennya adalah sama untuk setiap waktu. ini dikarenakan dasar yang digunakan dalam regresi data panel ini yang mengabaikan pengaruh individu dan waktu pada model yang dibentuknya.”
Berikut persamaan yang digunakan untuk common Effect akan mengestimasi β1 dan βk:
Yit = β0it + ∑ =𝑛𝑘 1βk Xkit + εit
Dimana:
i = banyaknya observasi (1,2,...,n) t = banyaknya waktu (1,2,....t) n x t = banyaknya data panel ε = residual
Metode Fix Effect
Model (fixed effect) merupakan regresi yang memperlihatkan perbedaan konstanta antar obyek ( sriyana, 2014 ), 2 asumsi yang ada dalam model regresi (fixed effect) adalah :
1. Asumsi slope konstan tetapi intersep bervariasi antar unit Intersep pada suatu hasil regresi sangat mungkin berubah untuk setiap individu dan waktu, pada pendekatan (fixed effect) metode dapat dilakukan dengan variabel semu
(dummy) untuk menjelaskan adanya perbedaan antara intersep. Model ini dapat di regresi dengan teknik least aquare dummy variabels (LSDV)
2. Asumsi slope konstan tetapi intersep bervariasi antar individu/unit dan antar periode waktu. Pendekatan dari metode estimasi regresi data panel ini adalah asumsi tentang intersep yang berubah baik antar invidu objek analisis maupun antar waktu, namun slope masih diasumsikan konstan/sama.
Persamaan model ini adalah sebagai berikut:
𝑌𝑖𝑡 = 𝛼𝑖+ 𝛽𝑗𝑋𝑖𝑡𝑗+∑𝑛𝑖=2𝛼𝑖𝐷𝑖 + 𝑈𝑖𝑡 i = 1,...,N dan t = 1,...,K
Keterangan :
𝑌𝑖𝑡= variabel terikat di t untuk unit cross section i
𝛼𝑖= intersep yang berubah-ubah antar unit cross section i 𝑋𝑖𝑡𝑗= variabel bebas ke-j diwaktu t untuk unit cross section i 𝛽𝑗= parameter untuk variabel bebas ke-j
𝑈𝑖𝑡= komponen error di t untuk unit cross section i
Putusan melibatkan variabel pada pendekatan fixed effect tidak bisa dipungkiri bisa mengurangi jumlah degree of freedom dan pada akhirnya akan mempengaruhi efisiensi dari parameter yang diestimasi.
Metode Random Effect
Model ini lebih populer dengan nama model geberalized least squares (GLS). Model tersebut diartikan bahwa beda intersep dan konstanta dikarenakan residual/error menjadi dampak beda antar unit dan antar periode waktu yang terjadi secara random.
Terdapat keuntungan apabila menggunakan metosde random effect ini yaitu untuk menghilngkan heterokedastisitas.
Persamaan model random effect adalah sebagai berikut:
𝑌𝑖𝑡= α + β𝑋𝑖𝑡𝑗 + 𝑢𝑖𝑡 → 𝑢𝑖𝑡 = 𝑢𝑖 + 𝑣𝑡+ 𝑤𝑖𝑡 i = 1,..., N dan t = 1,...
Uji LM
LM_Test adalah metode yang digunakan untuk menguji apakah model random effect itu lebih baik dari pada model common effect. Kemudian hipotesa nya :
H0: PLS (Restricted)
H1: Random effect (Unrestricted)
Kemudian persamaannya sebagai berikut : 𝐿𝑀 = 𝑛𝑇
2(𝑇−1)(∑𝑛𝑖=1(∑𝑇𝑡=1𝑒̂𝑖𝑡)2
∑𝑛𝑖=1∑𝑇𝑡=1𝑒̂𝑖𝑡2 − 1)2
= 𝑛𝑇
2(𝑇−1)(∑ (𝑇
𝑛
𝑖=1 𝑒̂̅𝑖𝑡)2
∑𝑛𝑖=1∑𝑇𝑡=1𝑒̂𝑖𝑡2 − 1)2
𝑛 = jumlah individu; 𝑇 = jumlah periode waktu dan 𝑒̂ adalah residual metode OLS.
Jika nilai LM_Test ( 𝑥2 Stat) hasil pengujian lebih besar dari 𝑥2 Tabel, maka hipotesa nol ditolak sehingga model yang kita gunakan adalah model random effect dan sebaliknya.
Uji Hausman
Hausman test disini digunakan untuk mengetahui mana yang lebih baik, apakah fixed effect ataukah random effect.
1. apabila hausment test menerima H1 atau p value < 0.05 maka yang lebih bagus digunakan adalah fixed effect
2. apabila hausment test menerima H0 atau p value > 0,5 maka metode yang lebih bagus digunakan adalah random effect.
Uji Chow
Uji F digunakan untuk mencari tahu apakah regresi panel dan fixed effect lebih bgus dari regresi common effect.
F=(〖SSR〗_R-〖SSR〗_U/q)/(〖SSR〗_u/(n-k))
〖SSR〗_R dan 〖SSR〗_U sum of Squared residuals metode common effect dan teknik fixed effect. Q jumlah restriksi metode common effect dan metode common effect dan teknik fixed effect. q jumlah restriksi metode common effect dan n jumlah observasi dan k jumlah parameter estimasi metode fixed effect.
Uji Statistik
Koefisien Determinasi (R2)
Agar memahami besarnya pengaruh variabel independen yaitu angka belanja kesehatan (X1), PDRB (X2), Belanja pendidikan (X3), terhadap variabel dependen dalam hal ini IPM (Y) maka digunakan analisis koefisien determinasi (R2).
Koefisien determinasi (R2) dipergunakan agar melihat hingga berapa besar presentase variasi dalam variabel terikat pada model yang dijelaskan oleh variabel bebas. Nilai R2 berkisar antara 0 < R2 < 1. Semakin besar R2, semakin baik kualitas model semakin dapat menerangkan hubungan antara variabel dependen dan independen.
Uji t- Statistik
Uji ini dilakukan untuk mengetahui apakah variabel independen mempengaruhi variabel dependen secara individu.
Hipotesis nol yang digunakan adalah :
H_0: β_0=0 apakah variabel independen bukan variabel yang menjelaskan secara signifikan terhadap variabel dependen.
Dan hipotesis alternatifnya adalah :
H_a: β_1≠0 variabel independen merupakan variabel yang menjelaskan secara signifikan terhadap variabel dependen.
Pengaruh signifikan tersebut bisa diperhitungkan dengan mencocokan antara nilai t tabel dengan nilai t hitung. Nilai t hitung > t tabel maka H0 ditolak dan H1 diterima, maka masing – masing variabel independen mempengaruhi variabel dependen.
Sebaliknya, jika nilai t hitung < t tabel maka H1 ditolak dan H0 diterima. Variabel independen secara individu tidak berpengaruh terhadap variabel dependen.
Uji F
Uji F yaitu uji untuk melihat bagaimanakah pengaruh semua variabel bebasnya secara bersama sama terhadap variabel terkaitnya, atau untuk menguji apakah model regresi yan kita buat signifikan atau tidak signifikan. Jika model signifikan maka model bisa digunakan namun jika tidak signifikan maka model tidak dapat digunakan.
Dapat dilakukan dengan cara berikut :
H0 : βi = 0, variabel independen secara bersamaan tidak berpengaruh terhadap variabel dependen.
Ha : βi ≠ 0, variabel independen secara bersaman mempengaruhi variabel dependen.
Hasil pengujian adalah :
Ho diterima (tidak signifikan) jika F hitung < F tabel (df = n – k) Ho ditolak (signifikan) jika F hitung > F tabel (df = n – k)
Dimana:
K : Jumlah variabel N : Pengamatan
HASIL DAN PEMBAHASAN Common Effect
variabel coefficient Std. Error t-statistic Prob
C 32.85282 7.713222 4.259285 0.0000
Log(kesehatan) 0.277139 0.355806 0.778904 0.4379
Log(PDRB) 0.512417 0.331790 1.544404 0.1257
Log(pendidikan) 0.719447 0.258260 2.785751 0.0064
Dari hasil regresi pada model common effect yang tersaji pada tabel 4.2 dapat diketahui bahwa variabel Kesehatan tidak berpengaruh atau tidak signifikan terhadap IPM.
Kemudian untuk variabel PDRB tidak berpengaruh atau tidak signifikan terhadap IPM, sedangkan variabel Pendidikan berpengaruh positif dan signifikan terhadap IPM.
Fixed Effect
variabel coefficient Std. Error t-statistic Prob
C 47.46380 8.188516 5.796386 0.0000
LOG(KESEHATAN) -0.340448 0.345138 -0.986411 0.3271 LOG(PDRB) -0.235053 0.329862 -0.712580 0.4783 LOG(PENDIDIKAN) 1.322489 0.287810 4.595011 0.0000 Dari hasil regresi pada model fixed effect yang tersaji pada tabel 4.3 dapat diketahui bahwa variabel Kesehatan tidak berpengaruh atau tidak signifikan terhadap IPM.
Kemudian untuk variabel PDRB tidak berpengaruh atau tidak signifikan terhadap IPM, sedangkan variabel Pendidikan berpengaruh positif signifikan terhadap IPM.
Random Effect
variabel coefficient Std. Error t-statistic Prob
C 36.19332 6.980176 5.185159 0.0000
LOG(KESEHATAN) 0.133760 0.314305 0.425575 0.6713
LOG(PDRB) 0.339529 0.294912 1.151287 0.2524
LOG(PENDIDIKAN) 0.861445 0.236853 3.637048 0.0004 Dari hasil regresi pada model random effect yang tersaji pada tabel 4.4 dapat diketahui bahwa variabel Kesehatan tidak berpengaruh atau tidak signifikan terhadap IPM.
Kemudian untuk variabel PDRB tidak berpengaruh atau tidak signifikan terhadap IPM, sedangkan variabel Pendidikan berpengaruh positif signifikan terhadap IPM.
Pemilihan Model Regresi Uji Chow
Effects Test Statistic d.f. Prob.
Cross-section F 2.522803 (25,74) 0.0011
Cross-section Chi-
square 63.492009 25 0.0000
Variable Coefficient Std. Error t-Statistic Prob.
C 32.85282 7.713222 4.259285 0.0000
LOG(KESEHATAN) 0.277139 0.355806 0.778904 0.4379
LOG(PDRB) 0.512417 0.331790 1.544404 0.1257 LOG(PENDIDIKAN) 0.719447 0.258260 2.785751 0.0064 Dari hasil pengujian regresi menggunakan uji chow diperoleh hasil bahwa Chi-square statistic yaitu 63.492009 dengan degree of freedom adalah 25 serta besarnya probabilitas Cross-section Chi-square yang lebih kecil dari α (5%) yaitu 0.0000 < α (5%) maka menolak Ho atau menerima Ha sehingga hasilnya signifikan serta model regresi yang paling tepat untuk digunakan dalam uji regresi ini yaitu model fixed effect.
Uji Hausman
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Cross-section random 23.091108 3 0.0000
Cross-section random effect test comparisons :
Variable Fixed Random Var(Diff.) Prob.
LOG(KESEHATAN) -0.340448 0.133760 0.020333 0.0009
LOG(PDRB) -0.235053 0.339529 0.021835 0.0001
LOG(PENDIDIKAN) 1.322489 0.861445 0.026735 0.0048
Variable Coefficient Std. Error t-Statistic Prob.
C 47.46380 8.188516 5.796386 0.0000
LOG(KESEHATAN) -0.340448 0.345138 -0.986411 0.3271
LOG(PDRB) -0.235053 0.329862 -0.712580 0.4783
LOG(PENDIDIKAN) 1.322489 0.287810 4.595011 0.0000
Dari hasil pengujian regresi menggunakan uji hausman diperoleh nilai Chi-Square Statistic sebesar 23.091108 dengan Chi-square degree of freedom adalah 3 serta
besarnya nilai probabilitas Cross-section random yang kurang dari α (5%) yaitu 0.0000
< α (5%) maka menolak Ho atau menerima Ha sehingga hasilnya signifikan serta model regresi yang paling tepat untuk digunakan pada uji ini yakni fixed effect.
Estimasi Fixed Effect
Variable Coefficient Std. Error t-Statistic Prob.
C 47.46380 8.188516 5.796386 0.0000
LOG(KESEHATAN) -0.340448 0.345138 -0.986411 0.3271
LOG(PDRB) -0.235053 0.329862 -0.712580 0.4783
LOG(PENDIDIKAN) 1.322489 0.287810 4.595011 0.0000
Yit = β0 + β1 X1it + β2 X2it + β3 X3it + Uit
IPM = 47.46380 - 0.340448e-13*KESEHATAN - 0.235053e-10*PDRB + 1.322489e-15*PENDIDIKAN + Uit
Keterangan :
Y = IPM menurut Provinsi di Indonesia X1 = Variabel KESEHATAN
X2 = Variabel PDRB
X3 = Variabel PENDIDIKAN i = Provinsi di Indonesia t = Waktu (Tahun 2014-2017) Uit = Variabel pengganggu
Pengujian Hipotesis
Setelah melakukan pengujian terhadap ketiga model regresi data panel maka dapat dilihat hasil bahwa paling tepat menggunakan model regresi fixed effect. Kemudian untuk mengetahui evaluasi hasil selanjutnya dari pengujian ini maka yang dilakukan yaitu mengukur (R2), uji signifikansi model dengan uji F, serta uji signifikansi untuk variabel independen dengan uji t yaitu sebagai berikut:
Koefisien determinasi R2
Keterangan Nilai
R2 0.571457
Dari hasil pengujian regresi dalam penelitian ini yang ditampilkan pada tabel 4.8 diperoleh model yang terbaik yaitu fixed effect dengan nilai R-squared (R2) sebesar 0.518602atau 99.65 % yang artinya variasi variabel independen yaitu variabel Kesehatan, PDRB, serta Pendidikan mampu menjelaskan variasi variabel dependen yaitu PDRB sebesar 51.86 % kemudian sisanya 48.14 % dijelaskan oleh variabel independen lain di luar model.
Uji signifikansi Model (Uji F)
Untuk mengetahui keterkaitan variabel independen secara bersama-sama terhadap variabel dependen maka di lakukan uji signifikansi model melalui uji F. Adapun untuk hipotesis uji signifikansi model melalui uji F adalah sebagai berikut:
Ho: secara simultan variabel independen (Kesehatan, PDRB, dan Pendidikan) tidak memiliki pengaruh terhadap variabel dependen yaitu IPM secara signifikan.
Ha: secara simultan variabel independen (Kesehatan, PDRB, dan Pendidikan berpengaruh terhadap variabel dependen yaitu IPM secara signifikan.
Variabel (Prob) F- statistik
Keterangan
Kesehatan
0.000008 Berpengaruh signifikan PDRB
Pendidikan
Dari hasil uji F didapatkan nilai probabilitas sebesar 0.000008. Dengan demikian maka nilai probabilitas F-statistik < α=5%, yang artinya bahwa variabel Kesehatan, PDRB, dan Pendidikan secara bersamaan berpengaruh terhadap jumlah IPM secara signifikan.
Uji signifikansi Variabel Independen dengan Uji t
Variabel T-statistik (Prob)T-statistik Keterangan
Kesehatan -0.986411 0.3271
Tidak berpengaruh signifikan
PDRB -0.712580 0.4783
Tidak berpengaruh signifikan
Pendidikan 4.595011 0.0000
Berpengaruh positif dan signifikan pada
α=5 %
Hasil pengujian dari penelitian ini menggunakan model fixed effect dapat diketahui bahwa variabel Kesehatan memiliki t statistik sebesar -0.986411 dengan α=5% serta probabilitas 0.3271 kemudian dapat dibandingkan bahwa besarnya probabilitas 0.3271 > α 5% (0.05) maka menerima Ho atau menolak Ha. Selanjutnya
bisa disimpulkan bahwa variabel kesehatan secara parsial tidak berpengaruh terhadap variabel IPM secara signifikan.
Selain itu, variabel PDRB memiliki t statistik sebesar -0.712580 dengan α=10
% serta probabilitas 0.4783 kemudian dapat dibandingkan bahwa besarnya probabilitas 0.4783 > α 10% (0.1) maka menerima Ho atau menolak Ha. Selanjutnya dapat ditarik kesimpulan bahwa variabel PDRB secara parsial tidak berpengaruh signifikan terhadap variabel IPM.
Di sisi lain, variabel pendidikan PDRB memiliki t statistik sebesar 4.595011 dengan α=5 % serta probabilitas 0.0000 kemudian dapat dibandingkan bahwa besarnya probabilitas 0.0000 > α 5 % (0.1) maka gagal menolak Ho. Selanjutnya dapat ditarik kesimpulan bahwa variabel pendidikan secara parsial berpengaruh positif signifikan terhadap variabel IPM.
Pembahasan
Analisis pengaruh kesehatan terhadap IPM
diperoleh hasil bahwa variabel memiliki nilai koefisien sebesar -0.340448 dengan probabilitas 0.3271> α (10%) maka gagal menolak Ho yang artinya variabel kesehatan tidak berpengaruh signifikan terhadap variabel Indeks Pembangunan Manusia (IPM) Provinsi di Indonesia kemudian ketika variabel kesehatan meningkat maka akan diikuti kenaikan pada variabel Indeks Pembangunan Manusia Provinsi di Indonesia sehingga ketika variabel Kesehatan naik sebesar 1 juta rupiah maka terjadi kenaikan pada variabel Indeks Pembangunan Manusia Provinsi di Indonesia sebesar 8.79E-13 persen.
Dari hasil regresi diatas Kesehatan tidak berpengaruh terhadap IPM dikarenakan tidak meratanya pengalokasian anggaran pemerintah untuk bidang kesehatan.
Analisis Pengaruh PDRB terhadap IPM
Berdasarkan hasil regresi dalam penelitian ini diperoleh hasil bahwa variabel memiliki nilai koefisien sebesar -0.235053 dengan probabilitas 0.4783 > α (10%) maka gagal menolak Ho atau yang artinya variabel PDRB tidak berpengaruh terhadap variabel Indeks Pembangunan Manusia (IPM) Indonesia secara signifikan. Kemudian ketika variabel PDRB meningkat maka akan diikuti penurunan pada variabel Indeks Pembangunan Manusia (IPM) Indonesia sehingga ketika variabel PDRB naik sebesar 1 juta rupiah maka terjadi penurunan pada variabel Indeks Pembangunan Manusia Indonesia sebesar 1.20E-10 persen. Variabel PDRB di Indinesia tidak berpengaruh dikarenakan alokasi pendapatan perkapita tidak dialokasikan secara optimal untuk pembangunan manusia. Hal ini dikarenakan pendapatan perkapita pada tiap daerah di Indonesia tidak mendukung untuk meningkatkan IPM, IPM merupakan salah satu indikator untuk mengukur suatu pembangunan daerah.
Analisis Pengaruh pendidikan terhadap IPM
Dari hasil regresi dalam penelitian ini diperoleh hasil bahwa variabel memiliki nilai koefisien sebesar 1.322489dengan probabilitas 0.0000 < α (5%) maka menolak Ho atau menerima Ha artinya variabel Pendidikan berpengaruh positif dan signifikan terhadap variabel Indeks Pembangunan Manusia (IPM). Sehingga naik turunnya biaya pendidikan tidak akan mempengaruhi Indeks Pembangunan Manusia (IPM). sesuai dengan penelitian yang dilakukan oleh Septiana, dkk (2015) yaitu memiliki hubungan yang positif, dengan pembuktian bahwa pengaruh belanja pemerintah pada sektor pendidikan memiliki pengaruh signifikan yang kuat terhadap IPM di daerah Sulawesi Utara.
Kesimpulan
1. Dalam penelitian ini model regresi yang digunakan adalah model fixed effect dengan nilai koefisien determinasi (R squared) yaitu 0.571457 yang artinya variasi variabel independen yaitu Belanja Pemerintah pada sektor Kesehatan, PDRB, dan Belanja Pemerintah pada sektor Pendidikan dapat menjelaskan variabel dependen yaitu IPM sebesar 57.14% sedangkan sisanya 42.86%
dijelaskan oleh variabel independen lain diluar model.
2. Berdasarkan uji signifikansi model / uji F dapat diketahui bahwa probabilitas F statistik sebesar 0.000008 pada tingkat α 5%. Dengan demikian maka nilai probabilitas F-statistik < α=5%, yang artinya bahwa variabel Kesehatan, PDRB, dan Pendidikan secara bersama-sama berpengaruh signifikan terhadap jumlah IPM.
3. Variabel Belanja Pemerintah pada sektor Kesehatan tidak berpengaruh signifikan terhadap IPM di Indonesia sehingga ketika jumlah belanja pemerintah pada sektor kesehatan mengalami peningkatan maka tidak diikuti dengan kenaikan IPM di Indonesia.
4. Variabel PDRB tidak berpengaruh signifikan terhadap IPM di Indonesia sehingga ketika jumlah PDRB mengalami peningkatan maka tidak diikuti dengan kenaikan IPM di Indonesia.
5. Variabel Belanja Pemerintah pada sektor Pendidikan memiliki pengaruh positif serta signifikan terhadap IPM di Indonesia sehingga ketika jumlah Belanja Pemerintah pada sektor Pendidikan mengalami peningkatan makan akan diikuti kenaikan pula untuk IPM di Indonesia.
Implikasi
1. Belanja Pemerintah pada sektor Kesehatan tidak berpengaruh signifikan terhadap IPM dikarenaka tidak meratanya pengalokasian anggaran kesehatan sehingga untuk pemerintah diharapkan untuk lebih memeperhatikan sasaran pengalokasian anggaran kesehatan.
2. PDRB tidak berpengaruh signifikan terhadap IPM dikarenakan pendapatan perkapita tidak dialokasikan secara optimal untuk pembangunan manusia. Hal ini dikarenakan pendapatan perkapita pada tiap daerah di Indonesia tidak mendukung untuk meningkatkan IPM, IPM merupakan salah satu indikator untuk mengukur suatu pembangunan daerah. Saran untuk pemerintah diharapkan mampu meningkatkan presentasi dana untuk pembangunan fasilitas publik daerah guna meningkatkan kualitas sumberdaya manusia, dengan begitu akan berdampak pada peningkatan pendapatan masyarakat di tiap daerah.
3. Belanja Pemerintah pada sektor pendidikan berpengaruh signifikan terhadap IPM artinya ketika Belanja Pemerintah pada sektor pendidikan mengalami peningkatan maka akan diikuti peningkatan pada IPM. Maka pemerintah diharapkan untuk meningkatakan fasilitas pendidikan, karena dengan adanya peningkatan fasilitas maka akan mendukung lebih meningkatnya pembangunan manusia di Indonesia.
Daftar Pustaka
Alinda, N. (2013). Analisis Faktor-Faktor Yang Mempengaruhi Ekspor Karet Di Indonesia.
Jurnal Ekonomi Pembangunan, 11(1), 93. https://doi.org/10.22219/jep.v11i1.3733 Fallis, A. . (2013). ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN
MANUSIA DI SUMATERA BARAT. Journal of Chemical Information and Modeling, 53(9), 1689–1699. https://doi.org/10.1017/CBO9781107415324.004
Harahap, R. U. (2011). Pengaruh dana alokasi umum, dana alokasi khusus, dan dana bagi hasil terhadap indeks pembangunan manusia pada kab./kota propinsi sumatera utara, 11(1), 47–58.
Kemiskinan, P., Ekonomi, P., Modal, D. A. N. B., & Mirza, D. S. (2015). Pengaruh Kemiskinan, Pertumbuhan Ekonomi, Dan Belanja Modal Terhadap Ipm Jawa Tengah. JEJAK: Jurnal Ekonomi Dan Kebijakan, 4(2), 102–113. https://doi.org/10.15294/jejak.v4i2.4645 Latuconsina, Z. M. Y. (2017). Analisis Faktor-faktor yang Mempengaruhi Indeks Pembangunan
Manusia Kabupaten Malang Berbasis Pendekatan Perwilayahan dan Regresi Panel.
Journal of Regional and Rural Development Planning, 1(2), 202.
https://doi.org/10.29244/jp2wd.2017.1.2.202-216
Melliana, A., & Zain, I. (2013). Analisis Statistika Faktor yang Mempengaruhi Indeks Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Timur dengan Menggunakan Regresi Panel. Jurnal Sains Dan Seni POMITS, 2(2), 2337–3520.
Nurmalasari, R., Ispriyanti, D., & Sudarno. (2017). Analisis Faktor-Faktor Yang Mempengaruhi Indeks Pembangunan Manusia (Ipm) Menggunakan Metode Regresi Logistik Ordinal Dan Regresi Probit Ordinal (Studi Kasus Kabupaten/Kota Di Jawa Tengah Tahun 2014). Jurnal Gaussian, 6(1), 111–120. Retrieved from http://ejournal- s1.undip.ac.id/index.php/gaussian
Studi, J., & Indonesia, E. (1995). Jurnal Studi Ekonomi Indonesia, 15–31.
Susanti, S. (2013). Produk Domestik Regional Bruto atas harga konstan merupakan nilai suatu barang atau jasa yang dihitung menggunakan harga pada tahun tertentu. Jurnal Matematika Integratif, 9(1), 1–18.
Website : Bps.go.id
